大语言模型（LLMs）在将推荐系统从隐性行为模式匹配转变为显性意图推理方面，展现出显著潜力。RecGPT-V1 通过将基于 LLM 的推理，整合到用户兴趣挖掘和项目标签预测中，成功开创了这一范式，但它存在四个基本局限：
计算效率低和多条推理路径上的认知冗余；
固定模板生成中解释多样性不足；
在监督式学习范式下的推广有限；
以结果为导向的简单评估，未能符合人类标准。
为克服现有局限，阿里研究团队推出最新版本 RecGPT-V2。迭代版本包含四项核心创新：
构建分层多智能体系统（Hierarchical Multi-Agent System）；
提出元提示框架（Meta-Prompting framework）；
引入约束强化学习机制；
设计智能体作为裁判（Agent-as-a-Judge）评估框架。
RecGPT-V2 不仅验证了基于大语言模型的意图推理在技术上的可行性，更证明了其在大规模工业场景中的商业可行性，成功弥合了认知探索与产业应用之间的鸿沟。
论文链接：https://go.hyper.ai/wftNU
最新 AI 论文：https://go.hyper.ai/hzChC
为了让更多用户了解学术界在人工智能领域的最新动态，HyperAI超神经官网（hyper.ai）现已上线「最新论文」板块，每天都会更新 AI 前沿研究论文。以下是我们为大家推荐的 5 篇热门 AI 论文，一起来速览本周 AI 前沿成果吧 ⬇️
本周论文推荐
1.Nemotron 3 Nano: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning
本文推出了 Nemotron 3 Nano 30B-A3B，这是一种基于混合专家（Mixture-of-Experts）架构的混合 Mamba-Transformer 语言模型。Nemotron 3 Nano 在25万亿个文本标记上进行了预训练，其中包括超过 3 万亿个相较于 Nemotron 2 新增的唯一标记，随后在多样化环境中进行了监督微调及大规模强化学习。模型在智能体行为、推理能力及对话交互方面均有显著提升，并支持长达100万标记的上下文长度。
论文链接：https://go.hyper.ai/LtmY3
Nemotron 3 Nano 分层模式
2.Frontier Science: Beurteilung der Fähigkeit von KI, wissenschaftliche Aufgaben auf Expertenebene zu erfüllen
本文提出 FrontierScience，这是一个用于评估人工智能在专家级科学推理方面能力的基准测试。FrontierScience 包含两个赛道：（1）奥赛赛道，涵盖国际奥林匹克竞赛题目（达到 IPhO、IChO 和 IBO 水平）；（2）研究赛道，包含博士级别、开放性的问题，代表了科学研究中的典型子问题。
论文链接：https://go.hyper.ai/XanPc
FrontierScience-Research 问题示例
3.AutoGLM: Autonomous Foundation Agents for GUIs
本文提出 AutoGLM，这是 ChatGLM 系列中的一个全新系列，旨在作为基础智能体（foundation agents），通过图形用户界面（Graphical User Interfaces, GUI）实现对数字设备的自主控制。研究团队以网页浏览器和手机作为典型的 GUI 场景，构建了 AutoGLM，作为一个面向真实世界 GUI 交互的实用型基础智能体系统。
论文链接：https://go.hyper.ai/SLjro
AutoGLM 真实网页浏览器演示
4.RecGPT-V2 Technical Report
本文提出 RecGPT-V2，包含四项核心创新：第一，构建分层多智能体系统；第二，提出元提示框架（Meta-Prompting framework），第三，引入约束强化学习机制；第四，设计智能体作为裁判（Agent-as-a-Judge）评估框架。RecGPT-V2 不仅验证了基于大语言模型的意图推理在技术上的可行性，更证明了其在大规模工业场景中的商业可行性，成功弥合了认知探索与产业应用之间的鸿沟。
论文链接：https://go.hyper.ai/TdjZJ
RecGPT-V2 框架图
5.QwenLong-L1.5: Post-Training Recipe for Long-Context Reasoning and Memory Management
本文推出了 QwenLong-L1.5，该模型通过系统性的后训练创新，实现了卓越的长上下文推理能力。基于 Qwen3-30B-A3B-Thinking 架构，QwenLong-L1.5 在长上下文推理基准测试中表现接近 GPT-5 与 Gemini-2.5-Pro 水平，相较其基线模型平均提升 9.90 分。在超长任务（100 万至 400 万 token）上，其记忆代理（memory-agent）框架相较基线代理实现 9.48 分的显著提升。
论文链接：https://go.hyper.ai/vViJi
处理超长上下文的内存代理工作流程
以上就是本周论文推荐的全部内容，更多 AI 前沿研究论文，详见 hyper.ai 官网「最新论文」板块。
同时也欢迎研究团队向我们投稿高质量成果及论文，有意向者可添加神经星星微信（微信号：Hyperai01）。
下周再见！
